Neuroloogilised haigused mõjutavad miljoneid inimesi, kahjustades sageli liikumisvõimet. Kõnnakuhäired vähendavad iseseisvust, muutes kõnnaku analüüsi ja taastusravi ülioluliseks. Abivahendid, nagu eksoskeletid ja funktsionaalne elektriline stimulatsioon (FES), aitavad korrigeerida kõnnaku kõrvalekaldeid, kuid nende tõhusus sõltub täpsest kõnnakufaasi tuvastamisest.
Eksoskeletid on sageli kohmakad ja igapäevaelus ebapraktilised. Kergemaks alternatiiviks on FES-seadmed, mis stimuleerivad lihaseid liikumise taastamiseks. Siiski puudub praegustel FES-süsteemidel isikupärastatud kõnnaku anomaaliate tuvastus, mistõttu need stimuleerivad iga sammu, põhjustades lihasväsimust ja nahaärritust. Ideaalis peaks stimulatsioon toimuma ainult vajaduse korral, nõudes reaalajas kõnnakuhälvete tuvastamist.
Kõnnaku anomaaliate tuvastamine ühe sammu jooksul on endiselt väljakutse, kuna vastav teadusuuringute maht on piiratud. Käesolev doktoritöö käsitleb seda probleemi, hinnates populaarseid kõnnaku tuvastusalgoritme ning esitades uudse andmestiku ja võrdlusraamistiku.
Üheks oluliseks panuseks on uus kõnnaku andmestik, mis koguti kliinilise uuringu protokolli alusel ning mille on heaks kiitnud Eesti Tervise Arengu Instituut. Andmestik sisaldab 155 salvestust 22 inimeselt, ühendades ainulaadselt nii normaalsed kui ka ebanormaalsed sammud ühes sessioonis ning hõlmates kaheksa levinumat kõnnakuhälvet.
Doktoritöös kohandatakse ja hinnatakse ka reaalajas töötavaid kõnnaku analüüsi algoritme. Traditsioonilised masinõppe mudelid, nagu support vector machines (SVM), andsid klassifitseerimisel paljulubavaid tulemusi, kuid nende täpsus reaalajas rakendustes jäi piiratuks. Sügavõppe meetodid, näiteks long short-term memory (LSTM) ja one-dimensional convolutional neural networks (1D-CNN), saavutasid paremaid tulemusi—1D-CNN täpsus ulatus 95%-ni ja F1-skoor 88,2%-ni. Siiski nõuavad sügavõppe mudelid suurt arvutusvõimsust, mis piirab nende kasutamist reaalajas kantavates seadmetes.
Selle probleemi lahendamiseks töötati välja heuristiline algoritm—Signal Shape Tracking Anomaly Detection (SST-AD). SST-AD saavutas 91% täpsuse ja F1-skoori 81%, pakkudes võrreldavat tulemust sügavõppe mudelitega, kuid oluliselt väiksema arvutusnõudlusega. Samuti oli see üks kiiremaid algoritme, tuvastades anomaaliad vaid 0,4 sekundit pärast sammufaasi keskosa algust.
See doktoritöö loob aluse reaalajas töötavate kõnnakuhälvete tuvastuseks abiseadmetes. Esitletakse kõrge jõudlusega algoritme ning uuritakse praktilisi samme nende integreerimiseks kantavasse tehnoloogiasse. Tulevikutöö keskendub riistvara optimeerimisele, stimulatsiooniparameetrite täpsustamisele ning reaalajas toimivuse hindamisele, sillutades teed tõhusamate ja kasutajasõbralikumate kõnnakuabiseadmete suunas.

Doktoritöö on avaldatud Tehnikaülikooli raamatukogu digikogus

Juhendajad: täisprofessor tenuuris Muhammad Mahtab Alam ning vanemteadur Alar Kuusik (TalTech)

Oponendid:

• professor Maurizio Magarini (Milaano Polütehnikum, Itaalia)
• professor Matti Hämäläinen (Oulu Ülikool, Soome)

Jälgi avalikku kaitsmist MS Teamsis

Meeting ID: 311 161 969 971 
Passcode: sn9hM9z3